临床记录经常包括对患者特征的评估，其中可能包括完成各种问卷。这些问卷提供了有关患者当前健康状况的各种观点。捕获这些观点给出的异质性不仅至关重要，而且对开发具有成本效益的技术的临床表型技术的需求增长。填写许多问卷可能是患者的压力，因此昂贵。在这项工作中，我们提出了钴 - 一种基于成本的层选择器模型，用于使用社区检测方法检测表型。我们的目标是最大程度地减少用于构建这些表型的功能的数量，同时保持其质量。我们使用来自慢性耳鸣患者的问卷数据测试我们的模型，并在多层网络结构中代表数据。然后，通过使用基线特征（年龄，性别和治疗前数据）以及确定的表型作为特征来评估该模型。对于某些治疗后变量，使用来自钴的表型作为特征的预测因素优于使用传统聚类方法检测到的表型的预测因素。此外，与仅接受基线特征训练的预测因子相比，使用表型数据预测治疗后数据被证明是有益的。

Human-technology collaboration relies on verbal and non-verbal communication. Machines must be able to detect and understand the movements of humans to facilitate non-verbal communication. In this article, we introduce ongoing research on human activity recognition in intralogistics, and show how it can be applied in industrial settings. We show how semantic attributes can be used to describe human activities flexibly and how context informantion increases the performance of classifiers to recognise them automatically. Beyond that, we present a concept based on a cyber-physical twin that can reduce the effort and time necessary to create a training dataset for human activity recognition. In the future, it will be possible to train a classifier solely with realistic simulation data, while maintaining or even increasing the classification performance.

对于主持评论部分的报纸来说，在线仇恨的传播已成为一个重大问题。结果，对（半）自动化语言检测使用机器学习和自然语言处理的兴趣越来越大，以避免手动评论审核成本或必须完全关闭评论部分。但是，过去的许多关于滥用语言检测的工作都假定分类器在静态语言环境中运行，尽管语言和新闻一直处于不断变化的状态。在本文中，我们使用新的德国报纸评论数据集证明，经过幼稚的ML技术（如随机测试列车拆分）训练的分类器将在未来的数据上表现不佳，并且时间分层的评估分配更合适。我们还表明，分类器的性能在与培训数据不同的数据中评估时会迅速降低。我们的发现表明，在开发虐待语言检测系统或风险部署模型时，有必要考虑语言的时间动态，该模型会很快被删除。